Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Deep Learning 1Modulbeschreibung #41071 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v2)
Modul / Version#41071 / #1
GültigkeitWiSe 2022/23 – SoSe 2025
Verfügbare Sprache(n)Englisch
Leistungspunkte6
Modulverantwortliche*rMontavon, Gregoire
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352000 FG Maschinelles Lernen

Kontakt

SekretariatFR 6-1
Ansprechpartner*inGebauer, Niklas
E-Mail-Adressedl1@ml.tu-berlin.de
Webseitehttps://web.ml.tu-berlin.de/teaching/courses/

Lernergebnisse

Understanding of the foundations of neural networks and deep learning, including optimization and regularization aspects. Understanding of the most popular deep neural network architectures used in practice (e.g. convolutional neural networks). Ability to implement a neural network using common deep learning frameworks.

Lehrinhalte

Foundations of neural networks, including the perceptron, multi-layer perceptrons, activation functions, loss functions, error backpropagation, and the questions of optimization and regularization. Common optimization techniques such as SGD, momentum, and RMSProp. Common regularization techniques such as weight decay, dropout, and Lipschitz constraints. Presentation of popular architectures, such as the convolutional neural network, autoencoders, and recurrent neural networks. Introduction to the PyTorch deep learning framework.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Deep Learning 1 - mainIntegrierte Veranstaltung Wintersemester[en]4 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (1)

Deep Learning 1 - main (Integrierte Veranstaltung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Deep Learning 1 - main (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Concepts & Theory106 h60 h
Exercises106 h60 h
Programming106 h60 h
180 h

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

The module will consist of weekly lectures accompanied with weekly homeworks.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

There are no formal prerequisites. However, prior knowledge of multivariate calculus and Python programming will be assumed. Basic knowledge of machine learning is also desirable.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang120 minutes

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

cf. course webpage

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
SoSe 20252. Kernbereich: Simulation und Optimierung
Computer Engineering
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2025Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering

Sonstiges

Keine Angabe